ai_news_generator：基于 CrewAI 与 Cohere Command-R 的多智能体 AI 新闻生成应用

本文以 ai-engineering-hub 仓库中的 ai_news_generator 模块为主体，完整梳理该项目的安装配置、双 Agent 顺序流水线架构、任务输出契约与 Streamlit 前端实现。读完本文，你可以复现一个"输入主题 → 联网检索 → 自动产出带引用的 Markdown 博客"的 CrewAI 多智能体应用，并理解其中每个参数在源码中的实际作用。

项目概览与技术选型

根据 README，该项目的定位是：

This project leverages CrewAI and Cohere's Command-R:7B model to build an AI news generator!

即利用 CrewAI（多智能体编排框架）与 Cohere 的 Command-R（7B 参数规模的对话模型）构建一个 AI 新闻生成器：用户给出一个主题，应用自动完成联网调研并撰写一篇结构化的博客文章。

从源码 ai_news_generator/app.py 的导入部分（L1-L5）可以看到完整的技术栈构成：

import os
import streamlit as st
from crewai import Agent, Task, Crew, LLM
from crewai_tools import SerperDevTool
from dotenv import load_dotenv

• CrewAI：提供 Agent、Task、Crew、LLM 四个核心抽象，负责智能体定义、任务编排与 LLM 接入；
• crewai-tools 的 SerperDevTool：封装 Serper 搜索引擎 API 的检索工具，供研究类 Agent 调用；
• Streamlit：承载 Web 界面，提供主题输入、参数面板与结果下载；
• python-dotenv：通过 load_dotenv() 加载本地环境变量（即两个 API Key）。

整体可以概括为：Streamlit 前端 + 顺序执行的双 Agent Crew（研究员 → 写作者）+ Serper 联网搜索 + Cohere Command-R 推理。

环境准备与安装

README 给出的安装步骤如下：

1. 获取 API Keys：
   • Serper API Key（用于网页搜索）；
   • Cohere API Key（用于驱动 Command-R 模型）。
2. 安装依赖：要求 Python 3.11 或更高版本，然后执行：

pip install crewai crewai-tools

结合 app.py 的实际导入，还有两点 README 未展开、但运行所必需的补充：

• 代码中使用了 streamlit 与 python-dotenv，因此实际运行前还需要安装这两个包，完整的依赖集合为：crewai、crewai-tools、streamlit、python-dotenv。

• app.py 在文件顶部调用 load_dotenv()，说明两个 API Key（COHERE_API_KEY 与 SERPER_API_KEY）应通过环境变量注入，通常的做法是在模块目录下放置 .env 文件，形如：

  COHERE_API_KEY=你的Cohere密钥
  SERPER_API_KEY=你的Serper密钥
  

  其中 COHERE_API_KEY 由 CrewAI 的 LLM 在调用 Cohere 服务时读取，SERPER_API_KEY 由 SerperDevTool 执行搜索时读取。

准备就绪后，进入模块目录运行：

streamlit run ai_news_generator/app.py

应用入口与整体流程

Streamlit 入口配置与页面框架位于 app.py：

st.set_page_config(page_title="AI News Generator", page_icon="📰", layout="wide")

st.title("🤖 AI News Generator, powered by CrewAI and Cohere's Command R7B")
st.markdown("Generate comprehensive blog posts about any topic using AI agents.")

页面采用"侧边栏配置 + 主区域展示"的经典布局：侧边栏负责输入与触发，主区域负责流式展示生成结果并提供下载（详见"Web 界面与运行流程"一节）。

核心生成逻辑封装在 generate_content(topic) 函数中（app.py），其执行链路为：

1. 构造 LLM 实例（Cohere command-r，temperature 0.7）；
2. 构造 SerperDevTool 搜索工具；
3. 定义两个 Agent（研究分析师、内容写作者）；
4. 定义两个 Task（调研任务、写作任务）；
5. 用 Crew 将 Agent 与 Task 组装成流水线并 kickoff，以 {"topic": topic} 作为输入。

Crew 的构造（app.py）为：

crew = Crew(
    agents=[senior_research_analyst, content_writer],
    tasks=[research_task, writing_task],
    verbose=True
)

return crew.kickoff(inputs={"topic": topic})

这里没有显式指定 process 参数，从源码结构看，Crew 默认采用顺序执行：research_task 的产出作为上下文传入 writing_task，形成"先调研、后写作"的两阶段流水线。verbose=True 会在控制台打印每个 Agent 的推理与工具调用过程，便于调试。kickoff 返回的是 CrewAI 的 CrewOutput 对象，前端随后用其 .raw 属性拿到最终的 Markdown 文本。

LLM 与搜索工具配置

Cohere Command-R 模型实例

模型接入位于 generate_content 开头（app.py）：

llm = LLM(
    model="command-r",
    temperature=0.7
)

• model="command-r" 即 Cohere 的 Command-R 模型（README 中表述为 "Command-R:7B"），由 CrewAI 的 LLM 封装类根据模型名前缀路由到 Cohere 提供方，并自动读取 COHERE_API_KEY 环境变量；
• temperature=0.7 是一个偏"有创造性但可控"的采样温度，兼顾新闻撰写需要的表达灵活性与事实准确性。

Serper 搜索工具

search_tool = SerperDevTool(n_results=10)

SerperDevTool 来自 crewai-tools，底层调用 Serper 的 Google Search API。n_results=10 表示每次搜索返回 10 条结果，作为研究 Agent 的"原始素材池"。该工具仅挂给了研究 Agent，写作者 Agent 并不持有搜索能力——这是后文"职责分离"设计的一部分。

注意：侧边栏中存在一个 temperature 滑杆（见下文 UI 部分），但从源码结构看，generate_content(topic) 的签名只接收 topic，函数内 LLM 的温度被硬编码为 0.7，滑杆值并未传入生成函数。也就是说，当前版本中该滑杆并不实际影响生成结果，若希望其生效，需要将滑杆值作为参数透传给 generate_content 并在 LLM(...) 中使用。

Agent 定义：研究员与写作者

Senior Research Analyst（研究分析师）

定义见 app.py：

senior_research_analyst = Agent(
    role="Senior Research Analyst",
    goal=f"Research, analyze, and synthesize comprehensive information on {topic} from reliable web sources",
    backstory="You're an expert research analyst with advanced web research skills. "
              "You excel at finding, analyzing, and synthesizing information from "
              "across the internet using search tools. ...",
    allow_delegation=False,
    verbose=True,
    tools=[search_tool],
    llm=llm
)

各配置项的作用：

• role / goal：goal 中直接以 f-string 注入了本次的 {topic}，让 Agent 的职责与用户输入强绑定——"从可靠的网络来源研究、分析并综合有关 {topic} 的全面信息"；
• backstory：大段人设文本强调其能力画像——擅长用搜索工具检索、区分可靠与不可靠来源、事实核查、交叉验证、给出带引用的研究简报。在 LLM 多智能体系统中，backstory 是塑造 Agent 行为风格的主要 prompt 手段之一；
• tools=[search_tool]：唯一的工具挂载点，即前文 n_results=10 的 SerperDevTool；
• allow_delegation=False：禁止该 Agent 向其他 Agent 委派任务，保证执行路径严格停留在"本 Agent 自己用工具完成调研"上，避免顺序流水线被意外的委派调用打乱；
• verbose=True：打印该 Agent 的每一步推理与工具调用日志。

Content Writer（内容写作者）

定义见 app.py：

content_writer = Agent(
    role="Content Writer",
    goal="Transform research findings into engaging blog posts while maintaining accuracy",
    backstory="You're a skilled content writer specialized in creating "
              "engaging, accessible content from technical research. ...",
    allow_delegation=False,
    verbose=True,
    llm=llm
)

与研究员的关键差异：没有挂载任何 tools。它不直接联网，只消费上游研究任务产出的调研简报（Crew 顺序执行时自动作为上下文传入），职责是把技术性研究材料改写成通俗、结构化的博客，同时保留全部事实与引用。这种"检索权与撰写权分离"的结构，让搜索成本集中在第一阶段，第二阶段专注于文本质量。

Task 设计：输出契约与引用规范

两个 Task 的完整定义位于 app.py，它们通过 description 描述工作步骤、通过 expected_output 约定交付物形态。

调研任务（research_task）

description（app.py）规定研究员须对 {topic} 完成四类信息收集——近期动态与新闻、行业趋势与创新、专家观点与分析、统计数据与市场洞察——然后评估来源可信度、核查事实、整理成结构化研究简报，并包含全部引用来源。注意这里的 {topic} 是模板占位符，由 crew.kickoff(inputs={"topic": topic}) 传入的 inputs 在运行时填充（区别于 Agent goal 里的 f-string 立即插值）。

expected_output（app.py）对交付物做了明确的"契约化"约定：

A detailed research report containing:
    - Executive summary of key findings
    - Comprehensive analysis of current trends and developments
    - List of verified facts and statistics
    - All citations and links to original sources
    - Clear categorization of main themes and patterns
    Please format with clear sections and bullet points for easy reference.

即要求报告包含执行摘要、趋势分析、已核实的事实与数据清单、全部引用链接与主题分类，并使用清晰的章节与列表排版。这一约定直接影响第二阶段的质量：写作 Agent 拿到的输入是有结构、有引用的，而非零散文本。

写作任务（writing_task）

description（app.py）要求基于调研简报产出博客，并明确了四条硬约束：

1. 将技术性信息转成通俗内容，同时保留研究中的全部事实与引用；
2. 结构上包含引人注目的引言、带清晰标题的正文分节、有说服力的结尾；
3. 正文引用必须保留 [Source: URL] 格式；
4. 文末附 References 章节。

expected_output（app.py）进一步钉死了 Markdown 排版规范：

A polished blog post in markdown format that:
    - ...
    - Follows proper markdown formatting, use H1 for the title and H3 for the sub-sections

即标题用 H1、小节用 H3。这个格式约定与 Streamlit 的 st.markdown 渲染直接对应——生成的文章以标准 Markdown 展示，保证下载后也是可直接发布的博客稿。

Web 界面与运行流程

侧边栏：输入与触发

侧边栏逻辑位于 app.py：

with st.sidebar:
    st.header("Content Settings")

    topic = st.text_area(
        "Enter your topic",
        height=100,
        placeholder="Enter the topic you want to generate content about..."
    )

    st.markdown("### Advanced Settings")
    temperature = st.slider("Temperature", 0.0, 1.0, 0.7)

    st.markdown("---")

    generate_button = st.button("Generate Content", type="primary", use_container_width=True)

    with st.expander("ℹ️ How to use"):
        st.markdown("""
        1. Enter your desired topic in the text area above
        ...
        """)

界面要素包括：

• 主题输入框：st.text_area，高度 100px，用于输入任意新闻主题；
• Temperature 滑杆：取值范围 0.0～1.0、默认 0.7（如前所述，当前版本该值尚未接入 LLM 参数）；
• Generate Content 主按钮：type="primary" 且占满容器宽度，作为唯一触发动作；
• 使用帮助折叠面板：内置五步操作说明（输入主题 → 调节参数 → 点击生成 → 等待 → 下载 Markdown）。

主区域：生成、展示与下载

触发后的主流程位于 app.py：

if generate_button:
    with st.spinner('Generating content... This may take a moment.'):
        try:
            result = generate_content(topic)
            st.markdown("### Generated Content")
            st.markdown(result)

            # Add download button
            st.download_button(
                label="Download Content",
                data=result.raw,
                file_name=f"{topic.lower().replace(' ', '_')}_article.md",
                mime="text/markdown"
            )
        except Exception as e:
            st.error(f"An error occurred: {str(e)}")

几个实现细节值得注意：

• 阻塞式生成 + 加载指示：双 Agent 联网调研加全文写作耗时较长，期间 st.spinner 提示"Generating content... This may take a moment."；
• 结果渲染：CrewOutput 对象可直接交给 st.markdown 渲染为富文本；
• 一键下载：st.download_button 输出 result.raw（最终 Markdown 原文），文件名由主题生成——转小写、空格替换为下划线，形如 openai_news_article.md，MIME 类型为 text/markdown；
• 错误兜底：整个生成过程包在 try/except 中，任何异常（如 API Key 缺失、搜索失败）都会以 st.error 形式展示在页面上，而不是让页面崩溃。

小结与扩展方向

ai_news_generator 用约 160 行代码完整演示了 CrewAI 顺序流水线的最小可用形态：工具挂在研究 Agent 上、写作 Agent 只消费上游产出、Task 用 expected_output 固化交付格式、kickoff 用 inputs 注入模板变量。这套"检索—综合—改写"的分工对新闻、周报、竞品简报等"先查证后成文"的场景是通用骨架。

在理解上述源码结构的基础上，自然的扩展方向包括：

• 将侧边栏 temperature 滑杆的值传入 generate_content，使 UI 参数真正生效；
• 为 Crew 增加 memory 配置，让多轮生成之间共享短期记忆；
• 调整 process 或增加 Agent（如事实核查 Agent），在"写作"之后追加一道引用核验环节；
• 将 n_results=10 参数化，由用户在侧边栏控制检索深度。

复现时只需按前文的安装步骤准备好 COHERE_API_KEY、SERPER_API_KEY 两个环境变量与四个依赖包，运行 streamlit run ai_news_generator/app.py 即可在浏览器中体验完整流程。更多背景可参考模块内的 README，核心实现见 app.py。